隐私保护的数据挖掘算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·研究背景及意义 | 第9-10页 |
| ·隐私保护的数据挖掘 | 第10-13页 |
| ·数据挖掘在石油行业中的应用 | 第13-14页 |
| ·量子进化算法研究现状 | 第14-16页 |
| ·量子进化算法的国外研究现状 | 第15页 |
| ·量子进化算法在国内研究现状 | 第15-16页 |
| ·研究内容与技术路线 | 第16-18页 |
| 第二章 隐私保护据挖掘基本算法 | 第18-32页 |
| ·隐私保护常用方法 | 第18-28页 |
| ·披露控制的统计方法 | 第19-22页 |
| ·随机化方法(Randomization) | 第22-25页 |
| ·加密技术 | 第25-28页 |
| ·隐私攻击 | 第28-30页 |
| ·算法的评价标准 | 第30-32页 |
| 第三章 基于量子遗传算法的隐私保护分类算法研究 | 第32-51页 |
| ·贝叶斯分类算法 | 第32-38页 |
| ·贝叶斯网络在数据挖掘中的应用 | 第33-34页 |
| ·贝叶斯定理 | 第34-35页 |
| ·朴素贝叶斯分类法 | 第35-36页 |
| ·贝叶斯网络 | 第36-37页 |
| ·改进分类效果的方法 | 第37-38页 |
| ·量子遗传算法原理 | 第38-41页 |
| ·算法模型 | 第41-44页 |
| ·适应度函数 | 第41页 |
| ·编码方法 | 第41-42页 |
| ·量子旋转门 | 第42-43页 |
| ·变异处理 | 第43页 |
| ·收敛性分析 | 第43-44页 |
| ·隐私保护算法 | 第44-47页 |
| ·有向边安全统计 | 第44-46页 |
| ·全局学习 | 第46-47页 |
| ·实验 | 第47页 |
| ·本章小结 | 第47-51页 |
| 第四章 基于量子蚁群算法的隐私保护分类算法研究 | 第51-63页 |
| ·蚁群智能 | 第51-55页 |
| ·算法的数学模型 | 第55-61页 |
| ·编码方式 | 第55-56页 |
| ·选择蚂蚁移动的目标位置 | 第56页 |
| ·量子旋转门 | 第56-57页 |
| ·信息素强度及可见度更新规则 | 第57-58页 |
| ·基于改进量子蚁群算法的贝叶斯网络分类算法 | 第58页 |
| ·算法收敛性分析 | 第58-59页 |
| ·安全和 | 第59-61页 |
| ·实验 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 基于改进粒子群算法的隐私保护分类算法研究 | 第63-71页 |
| ·算法模型 | 第63-65页 |
| ·贝叶斯网络 | 第63-64页 |
| ·粒子群算法 | 第64页 |
| ·使用二进制编码的粒子群算法学习贝叶斯网络结构 | 第64-65页 |
| ·算法收敛性分析 | 第65-66页 |
| ·贝叶斯网络结构算法隐私保护 | 第66-68页 |
| ·实验 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第六章 隐私保护的SVM分类挖掘的算法研究 | 第71-80页 |
| ·引言 | 第71-72页 |
| ·支持向量机 | 第72-76页 |
| ·基于隐私保护的SVM分类挖掘算法 | 第76-77页 |
| ·算法分析及实验 | 第77-78页 |
| ·本章小结 | 第78-80页 |
| 结论 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-91页 |
| 攻读博士期间发表的论文 | 第91页 |
